集装箱码头设备运行状态可视化监测研究与探索

朱斌 ，张蕾，林建成，里巍，张玮，龚红伟

（1.中京复电（上海）电子科技有限公司，上海 201306；2.青岛港国际股份有限公司，山东 青岛 266011；3.青岛新前湾集装箱码头有限责任公司，山东 青岛 266520）

随着全球贸易的深化和发展，港口码头的发展逐渐从以功能分类的“运输枢纽站”，进化为“贸易枢纽站+服务中心”，现阶段功能定位为“国际物流中心”，港口自身已融入了全球化，国际贸易航运线聚焦收拢特征愈发明显，市场活跃的港口继续保持实物商品的强大集散功能、集散效率迅速提高，同时船运实物商品、技术、资本、信息的集散功能向陆海内外联动一体化发展。

我国现在是全球第一大商品出口国与原材料进口国，为适应全球化航运需求，我国集装箱码头正在向信息化、数字化、智能化迈进。随着5G通信技术、机器学习、神经网络、云计算、人工智能等先进技术涌现，集装箱码头迫切需要引入先进的技术与理念，创新提效,提质降本，保持竞争优势。

1 集装箱码头信息化建设

自动化集装箱码头在提高作业安全性和可靠性、降低劳动成本、提高工作效率、绿色环保等方面做了很多努力，得到了较大改善。但与此同时，也产生了一些新的问题与挑战。早期建立的应用系统在码头发展过程中发挥了重要的作用，然而随着业务的发展、设备设施的增多、管理要求的提高，这些应用系统逐渐显现出先天的不足。各个系统都孤立的存在，造成了“信息孤岛”的现象，信息不能共享，数据交换困难，逐渐成为港口信息化建设中的主要瓶颈。信息化建设难以按照顶层设计、关键支撑、共用底座的模式进行，尤其对自动化码头核心设备运维监测的时效性、可靠性需求日益增强。

自动化集装箱码头实质是复杂的机器人系统，相对于传统人工集装箱码头，最直观的变化是自动化的设备代替了有人驾驶的设备。传统码头靠“人”感知反馈的环境、箱货、设备、任务执行情况等信息；在自动化码头完全靠“机”完成，自动化设备依靠大量的传感器实时、准确反馈信息。各种类型、数量众多的传感器感知信息的方式多用于自动化码头系统单元级的感知。但巨量的感知数据没有形成综合态势，没有得到有效融合利用。如何有效利用这些数据，进行码头核心设备的运行状态监测，减少甚至“无人”在港区内部巡视检查，实现港口设备运行状态可视监测和运维数据可视，是亟待解决的重要难题。

2 设备运行状态可视化监测系统设计

2.1 设计目标

针对超大型自动化集装箱码头大型设备种类众多复杂，运行环境复杂多变等现状，综合集成传感器、物联网、新一代通信技术、计算机技术、软件技术等信息化技术手段，研究设计码头设备核心部件运行温度、振动等环境参数采集监视系统，建立设备数据采集、监控分析模型，实现对码头设备核心部件的实时远程检测和异常报警。

2.2 系统架构

面向超大型集装箱码头核心设备运行状态监测场景，针对桥吊、轨道吊、AGV等核心设备，在关键部件部署设备运行状态监测传感器，如温度、振动、PLC终端等，按照既定的采集策略、时域频域对设备运行状态数据进行实时采集；通过物联网网关节点与码头部署的5G通信基站进行通信，将数据传输至管理中心，进行信号处理、特征分析、异常建模等操作，对数据进行清洗、融合、分析、学习，实现设备异常识别与健康诊断；面向码头管理、运维和技术人员研发管理系统，实现码头设备运行状态可视化监测运维，系统架构如图1所示。

图1 设备运行状态可视化监测运维系统架构

其中，设备运行状态数据优化模块主要包括对海量异构数据的动态采集、数据融合、在线处理分析、传感器选址优化等功能；设备异常识别与健康诊断模块包括数据采集策略、决策模型融合、异常特征提取、异常特征融合、设备故障预警等功能。通过数据采集、数据融合、数据分析、预测预警、优化调优（传感器选址、数据分析模型等）的全流程全过程的运营，实现“PDCA”的闭环管理和持续优化，该系统平台和传统的单纯物联网数据采集和分析系统相比，具备实时性、可视化、持续优化等特点，并且通过机器学习、深度学习等人工智能技术，逐步实现自动优化的目标。

3 设备运行状态可视化监测关键技术

3.1 自动化码头复杂场景大容量数据快速采集安全传输技术

针对自动化码头大型设备在线实时采集多种类多状态海量数据，以机器学习理论为基础研究设备数据采集、监测分析模型，实现对码头装备运转状态及控制系统的实时远程采集、监测、异常识别及设备全生命周期的健康诊断。

（1）设备运行状态数据优化技术和自学习方法。针对自动化集装箱码头大型设备种类众多复杂，对设备的材料学、运动学、工程力学、电气工程及智能化技术等方面开展研究，结合传感器检测和信号分析与处理等技术，研究设备运行状态数据优化技术和自学习方法，为构建合理的异常数学模型，建立了仿真研究对象，持续优化故障预警模型。

（2）设备运行状态可视化监测管理系统。依托信息物理系统理论，构建以智能感知、实时传输、数据可视为特征的码头设备运行状态监测管理系统架构。针对设备异常状况预警和无人化特征，研究构建以大数据非结构化存储并行处理和云计算的分布式处理及虚拟化技术，研究设备远程监控预警和数据实时在线分析技术，实现对自动化码头的智能运维。

3.2 基于多维海量数据的异构融合和在线快速智能处理技术

针对智能传感器采集的多维海量数据存储、处理、分析等问题，研究基于多维大数据并行处理架构、异构融合的新型数据库集群、分布的技术扩展、智能感知和处理等技术，实现对多维海量数据的智能采集和快速分类、异构融合和混合存储及智能处理。

（1）多源海量运行状态数据优化技术。针对自动化码头设备进行毫秒级数据采集过程中，产生超大规模的设备运行状态大数据，为满足在线实时运维管理需求，基于大数据应用技术，从数据采集、传输、融合、处理分析等方面入手，研究优化传感器埋设位置，以最佳的选位和有限的传感器完整地反映设备运行状态，提高采集数据价值；研究大容量数据快速安全传输技术与数据接口标准规范，保证采集数据快速可靠地传输到运维分析平台。

（2）多源海量数据融合处理技术。研究多维海量数据的异构融合技术，对多传感器数据进行融合，缓解高维数据的分析压力；研究在线快速智能处理技术及设备运维传感大数据分析技术，基于云端分布式计算能力，实时分析设备运行过程中监控指标及抽象特征。

4 系统应用实施

设备运行状态可视化监测管理系统包括系统管理、设备管理、数据采集、故障预警、系统配置和通信管理等6个模块，系统功能结构如图2所示。系统从数据采集、传输、融合、处理分析等方面入手，选择优化传感器埋设位置，以最佳的选位和有限的传感器完整地反映设备运行状态，提高采集数据价值；制定大容量数据快速安全传输技术与数据接口标准规范，保证采集数据快速可靠地传输到运维分析平台；研发多维海量数据的异构融合技术，对多传感器数据进行融合，缓解高维数据的分析压力；研发在线快速智能处理技术及设备运维传感大数据分析技术，基于云端分布式计算能力，实时分析设备运行过程中监控指标及抽象特征。系统达到了设计指标，实现了对自动化码头桥吊、轨道吊、AVG等核心设备、运行机构、部件和传感器的四级在线监测及故障预警运维。

图2 设备运行状态可视化监测系统功能结构图

5 结语

本研究基于设备运维传感大数据分析技术、多维海量数据的异构融合技术和在线快速智能处理技术，采用智能感知、云计算、机器学习、面向对象的开发平台技术，研发完成设备运行状态可视化监测管理系统，实现针对大型码头设备的远程监测、异常识别及全生命周期的健康诊断和故障智能预警。目前已经在山东青岛某超大型集装箱码头得到了实际应用，得到了用户的好评。